关于机器学习的新趋势是否仅仅是炒作，还是实际上提供了有形的商业价值并帮助塑造了金融服务定价和提供策略，一直存在争论。
Earnix 在 2017 年对约 200 名全球保险专业人士进行的一项调查显示，超过一半的受访者在其业务中使用机器学习技术。与此同时，只有 14% 的人将机器学习视为鼓励公司所有领域使用的核心战略。
这就引出了一个问题，为什么尽管机器学习使用相对广泛，但仍然不被视为核心策略?
在我们最近在伦敦举行的第 6 届年度 Earnix 峰会上，我向大约 150 名金融服务专业人士提出了一个类似的问题，试图了解我们的客户和潜在客户是否有相同的看法。投票结果证实了调查结果：三分之二的观众表示要么机器学习被夸大了，要么他们认为机器学习没有真正的有形价值。
哈佛商业评论最近的一篇文章，题为“为什么你没有从数据科学中获得价值?” 也处理同样的问题。
文章中的主要观察结果之一是机器学习专家通常专注于管道的后期部分。他们也不倾向于提出正确的问题，例如“这个预测模型提供了什么价值以及我们如何衡量它?”
机器学习专家似乎想花时间构建模型，而不是考虑如何处理庞大的数据集或将业务问题转化为分析问题。他们忙于调整模型和可选参数或将模型组合在一起，而不是确保模型的见解对业务人员有意义并且可以实际部署在市场中。
令人惊讶的是，至少对我而言，Kaggle 最近针对机器学习实践对近 16,000 人进行的一项调查支持了这一关键观察结果。当被要求具体说明工作场所的障碍时，超过 30% 的人提到缺乏明确的问题作为障碍。
那么金融服务公司应该怎么做才能确保他们从机器学习技术和数据科学计划中获得有形价值?该解决方案包括四个主要支柱：
相关数据。如果数据对业务用户没有意义，那么它的价值就微乎其微。
扎实的分析方法。应用于数据的分析需要严谨且有意义。
企业级技术。如果 IT 基础设施不支持机器学习技术和数据科学模型的部署，这项工作可能会失败。
深厚的商业知识。这一切都与业务有关，而不仅仅是处理数字和吐出结果。
然而，真正的“秘诀”是支柱之间的同步以及如何将它们混合在一起。
我的分析团队专注于利用技术、数据和分析来解决业务问题和挑战。我们加快了围绕机器学习的研发工作，并开发了可靠的方法论和技术，以将机器学习模型部署到市场中，并确保这些模型能够提供有形价值。
我们的客户成功地使用我们的集成机器学习系统来解决业务问题，例如：
排名优化
价格设置(例如：Earnix 的银行定价软件解决方案)
预测客户产品选择
预测客户利用率和数量
总而言之，以下是公司应遵循的一些核心原则，以确保他们从数据科学计划和机器学习计划中获得价值：
专注于业务问题并寻求正确的建模方法。有时最好坚持使用简单的模型，有时可能需要将传统模型与新的集成机器学习模型相结合。
用简单的模型覆盖更多的领域并解决各种构建块通常比尝试完善拼图的一个部分要好。
不要总是急于处理大量数据。在开发模型时，有时最好使用小样本来获得业务直觉并与业务同事进行验证。
始终确保让业务人员参与进来，并从项目一开始就得到他们的“支持”。
投资获取正确的技术和自动化，以帮助您在市场中快速部署模型和业务战略并快速响应市场变化。
而且，永远记住，分析是一个旅程。提前计划，从小处着手，并记住最重要的是现在就开始旅程。